一种基于机器学习和证据理论的水质预测方法

作者：马晓剑; 张家绪; 林煜华; 王奥

来源：哈尔滨商业大学学报(自然科学版), 2022, 38(05): 588-594.

DOI：10.19492/j.cnki.1672-0946.2022.05.003

• 机器学习
• 集成学习
• 证据理论
• BJS散度
• 水体质量预测

传统机器学习算法在饮用水质量预测问题中，由于特征空间高冲突，导致判别准确率低、判别结果不稳定，提出了适用于饮用水质量预测的D-S证据理论集成学习算法，该算法通过引入证据理论对传统机器学习算法的判别结果进行集成，将分类器的判别结果转换为基本概率指派，针对分类器判别结果产生冲突的问题，通过引入BJS散度定量描述基本概率指派之间的冲突，结合邓熵对分类器判别结果的支持度、置信度进行建模，利用加权重构的基本概率指派重新进行Dempster证据融合，再利用证据融合后的决策形成集成判别结果.实验结果表明，本文算法相较于两种单一基分类器在准确率指标下分别提高6.06%、1.58%,精确度指标下提高82.65%、18.65%,表明了本文算法在饮用水质量预测问题中的有效性，具有一定的推广价值.

• 单位
  东北林业大学